Python 进阶 之 知识点记忆
Python 进阶
- PEP8 编码规范, 及开发中的一些惯例和建议
- 练习: 规范化这段代码
from django.conf import settings
from user.models import *
import sys, os
mod=0xffffffff
def foo ( a , b = 123 ):
c={ ‘x’ : 111 , ‘y’ : 222 }#定义一个字典
d=[ 1 , 3,5 ]
return a,b , c
def bar(x):
if x%2==0 : return True - 为什么要有编码规范
- 编码是给人看的还是给机器看的?
- 美观是重点吗?
- 美观
- 可读性
- 可维护性
- 健壮性
- 团队内最好的代码状态: 所有人写出的代码像一个人写出来的
- 代码编排:
- 缩进 4 个空格, 禁止空格与 Tab 混用
- 行长 80 字符: 防止单行逻辑过于复杂
- import
- 不要使用 from xxx import *
- 0顺序
- 标准库
- 第三方库
- 自定义库
- 单行不要 import 多个库
- 模块内用不到的不要去 import
- 空格
- : , 后面跟一个空格, 前面无空格 (行尾分号后无空格)
- 二元操作符前后各一个空格, 包括以下几类:
- 数学运算符: + - * / // = & |
- 比较运算符: == != > < >= <= is not in
- 逻辑运算符: and or not
- 位运算符: & | ^ << >>
- 当 = 用于指示关键字参数或默认参数值时, 不要在其两侧使用空格
- 适当添加空行
- 函数间: 顶级函数间空 2 行, 类的方法之间空 1 行
- 函数内: 同一函数内的逻辑块之间, 空 1 行
- 文件结尾: 留一个空行 (Unix 中 \n 是文件的结束符)
- 注释
- 忌: 逐行添加注释, 没有一个注释
- 行尾注释: 单行逻辑过于复杂时添加
- 块注释: 一段逻辑开始时添加
- 引入外来算法或者配置时须在注释中添加源连接, 标明出处
- 函数、类、模块尽可能添加 docstring
- 命名
- 好的变量名要能做到“词能达意”
- 除非在 lambda 函数中, 否则不要用 单字母 的变量名 (即使是 lambda 函数中的变量名也应该尽可能的有意义)
- 包名、模块名、函数名、方法、普通变量名全部使用小写, 单词间用下划线连接
- 类名、异常名使用 CapWords (首字母大写) 的方式, 异常名结尾加 Error 或 Wraning 后缀
- 全局变量尽量使用大写, 一组同类型的全局变量要加上统一前缀, 单词用下划线连接
- 函数名必须有动词, 最好是 do_something 的句式, 或者 somebody_do_something 句式
- 语意明确、直白
- not xx in yy VS xx not in yy
- not a is b VS a is not b
- 程序的构建
- 函数是模块化思想的体现
- 独立的逻辑应该抽离成独立函数,让代码结构更清晰,可复用度更高
- 一个函数只做一件事情, 并把这件事做好
- 大的功能用小函数之间灵活组合来完成
- 避免编写庞大的程序, “大” 意味着体积庞大, 逻辑复杂甚至混乱
- 自定义的变量名、函数名不要与标准库中的名字冲突
- pip install pycodestyle pylint flake8 autopep8
- 和 ** 的用法
- 函数定义时接收不定长参数
def foo(*args, **kwargs):
pass - 参数传递
def foo(x, y, z, a, b):
print(x)
print(y)
print(z)
print(a)
print(b)
lst = [1, 2, 3]
dic = {‘a’: 22, ‘b’: 77}
foo(*lst, **dic) - import * 语法
文件 xyz.py
all = (‘a’, ‘e’, ‘_d’)a = 123 _b = 456 c = 'asdfghjkl' _d = [1,2,3,4,5,6] e = (9,8,7,6,5,4)
文件 abc.py
from xyz import *
print(a)
print(_b)
print©
print(_d)
print(e)
- Python 的赋值和引用
==, is: == 判断的是值, is 判断的是内存地址 (即对象的id)
小整数对象: [-5, 256]
copy, deepcopy 的区别
- copy: 只拷贝表层元素
- deepcopy: 在内存中重新创建所有子元素
练习1: 说出执行结果
def extendList(val, lst=[]):lst.append(val)return lstlist1 = extendList(10) list2 = extendList(123, []) list3 = extendList('a')
练习2: 说出下面执行结果
from copy import copy, deepcopy from pickle import dumps, loadsa = ['x', 'y', 'z'] b = [a] * 3 c = copy(b) d = deepcopy(b) e = loads(dumps(b, 4))b[1].append(999) b.append(777)c[1].append(999) c.append(555)d[1].append(999) d.append(333)e[1].append(999) e.append(111)
自定义 deepcopy: my_deepcopy = lambda item: loads(dumps(item, 4))
- 迭代器, 生成器
练习: 说出如下代码的打印结果
>>> def foo():
… print(111)
… yield 222
… print(333)
… yield 444
… print(555)>>> n = foo() >>> next(n) >>> next(n) >>> next(n)
generator: 生成器是一种特殊的迭代器, 不需要自定义 iter 和 next
生成器函数 (yield)
生成器表达式
class Range:
def init(self, start, end=None, step=1):
if end is None:
self.end = start
self.start = 0
else:
self.start = start
self.end = end
self.step = stepdef __iter__(self):return selfdef __next__(self):if self.start < self.end:current = self.startself.start += self.stepreturn currentelse:raise StopIteration()
iterator: 任何实现了 iter 和 next 方法的对象都是迭代器.
- iter 得到一个迭代器。迭代器的__iter__()返回自身
- next 返回迭代器下一个值
- 如果容器中没有更多元素, 则抛出 StopIteration 异常
- Python2中没有 next(), 而是 next()
str / bytes / list / tuple / dict / set 自身不是迭代器,他们自身不具备 next(), 但是具有 iter(), iter() 方法用来把自身转换成一个迭代器
练习1: 定义一个随机数迭代器, 随机范围为 [1, 50], 最大迭代次数 30
import randomclass RandomIter:def __init__(self, start, end, times):self.start = startself.end = endself.count = timesdef __iter__(self):return selfdef __next__(self):self.count -= 1if self.count >= 0:return random.randint(self.start, self.end)else:raise StopIteration()
练习2: 自定义一个迭代器, 实现斐波那契数列
class Fib:
def init(self, max_value):
self.prev = 0
self.curr = 1
self.max_value = max_valuedef __iter__(self):return selfdef __next__(self):if self.curr <= self.max_value:res = self.currself.prev, self.curr = self.curr, self.prev + self.curr # 为下一次做准备return reselse:raise StopIteration()
练习3: 自定义一个生成器函数, 实现斐波那契数列
def fib(max_value):
prev = 0
curr = 1
while curr < max_value:
yield curr
prev, curr = curr, curr + prev迭代器、生成器有什么好处?
- 节省内存
- 惰性求值 (惰性求值思想来自于 Lisp 语言)
各种推导式
- 分三部分:生成值的表达式, 循环主体, 过滤条件表达式
- 列表: [i * 3 for i in range(5) if i % 2 == 0]
- 字典: {i: i + 3 for i in range(5)}
- 集合: {i for i in range(5)}
- 装饰器
最简装饰器
def deco(func):
def wrap(*args, **kwargs):
return func(*args, **kwargs)
return wrap@deco def foo(a, b):return a ** b
原理
对比被装饰前后的 foo.name 和 foo.doc
from functools import wrapsdef deco(func):'''i am deco'''@wraps(func) # 还原被装饰器修改的原函数属性def wrap(*args, **kwargs):'''i am wrap'''return func(*args, **kwargs)return wrap
简单过程
fn = deco(func)
foo = fn
foo(*args, **kwargs)多个装饰器叠加调用的过程
@deco1
@deco2
@deco3
def foo(x, y):
return x ** y# 过程拆解 1 fn3 = deco3(foo) fn2 = deco2(fn3) fn1 = deco1(fn2) foo = fn1 foo(3, 4)# 过程拆解 2 # 单行: deco1( deco2( deco3(foo) ) )(3, 2) deco1(deco2(deco3(foo)) )(3, 4)
带参数的装饰器
def deco(n):
def wrap1(func):
def wrap2(*args, **kwargs):
return func(*args, **kwargs)
return wrap2
return wrap1# 调用过程 wrap1 = deco(n) wrap2 = wrap1(foo) foo = wrap2 foo()# 单行形式 check_result(30)(foo)(4, 8)
装饰器类和 call
class Deco:
def init(self, func):
self.func = funcdef __call__(self, *args, **kwargs):return self.func(*args, **kwargs)@Deco def foo(x, y):return x ** y# 过程拆解 fn = Deco(foo) foo = fn foo(12, 34)
使用场景
- 参数、结果检查
- 缓存、计数
- 日志、统计
- 权限管理
- 重试
- 其他
练习1: 写一个 timer 装饰器, 计算出被装饰函数调用一次花多长时间, 并把时间打印出来
import time
from functools import wrapsdef timer(func):@wraps(func) # 修正 docstringdef wrap(*args, **kwargs):time0 = time.time()result = func(*args, **kwargs)time1 = time.time()print(time1 - time0)return resultreturn wrap
练习2: 写一个 Retry 装饰器
import timeclass retry(object):def __init__(self, max_retries=3, wait=0, exceptions=(Exception,)):self.max_retries = max_retriesself.exceptions = exceptionsself.wait = waitdef __call__(self, func):def wrapper(*args, **kwargs):for i in range(self.max_retries + 1):try:result = func(*args, **kwargs)except self.exceptions:time.sleep(self.wait)continueelse:return resultreturn wrapper
- 函数闭包
Function Closure: 引用了自由变量的函数即是一个闭包. 这个被引用的自由变量和这个函数一同存在, 即使已经离开了创造它的环境也不例外.
说出下面函数返回值
def foo():
l = []
def bar(i):
l.append(i)
return l
return barf1 = foo() f2 = foo()# 说出下列语句执行结果 f1(1) f1(2) f2(3)
深入一点: object.closure
作用域
┌───────────────────────────┐
│ built-in namespace │
├───────────────────────────┤ ↑
│ global namespace │
│ ┌───────────────────────┤
│ │ local namespace │ n = 123
│ │ ┌───────────────────┤
│ │ │ local namespace │ ↑
│ │ │ ┌───────────────┤
│ │ │ │ … │ print(n)
└───┴───┴───┴───────────────┘- 声明全局变量: global
- 声明非本层的 局部变量 : nonlocal
- 查看全局变量: globals()
- 查看局部变量: locals()
- 查看变量: vars([object]) # 不传参数相当于 locals(), 传入对象后, 会得到 object.dict
- 类方法和静态方法
method
- 通过实例调用
- 可以引用类内部的任何属性和方法
classmethod
- 无需实例化
- 可以调用类属性和类方法
- 无法取到普通的成员属性和方法
staticmethod
- 无需实例化
- 无法取到类内部的任何属性和方法, 完全独立的一个方法
练习: 说出下面代码的运行结果
class Test(object):
x = 123def __init__(self):self.y = 456def bar1(self):print('i am a method')@classmethoddef bar2(cls):print('i am a classmethod')@staticmethoddef bar3():print('i am a staticmethod')def foo1(self):print(self.x)print(self.y)self.bar1()self.bar2()self.bar3()@classmethoddef foo2(cls):print(cls.x)print(cls.y)cls.bar1()cls.bar2()cls.bar3()@staticmethoddef foo3(obj):print(obj.x)print(obj.y)obj.bar1()obj.bar2()obj.bar3()t = Test() t.foo1() t.foo2() t.foo3()
- 继承相关问题
什么是多态
class Animal:
def run(self):
print(‘animal running’)class Lion(Animal):def run(self):print('lion running')class Tiger(Animal):def run(self):print('tiger running')class LeoTiger(Lion, Tiger):passcub = LeoTiger() isinstance(cub, Lion) isinstance(cub, Tiger)
多继承
- 方法和属性的继承顺序: Cls.mro()
- 菱形继承问题
继承关系示意
菱形继承
A.foo()
/
B C.foo()
\ /
D.mro() # 方法的继承顺序,由 C3 算法得到
Mixin: 通过单纯的 mixin 类完成功能组合
super
class A:
def init(self):
print(‘enter A’)
self.x = 111
print(‘exit A’)class B(A):def __init__(self):print('enter B')self.y = 222A.__init__(self)# super().__init__()print('exit B')class C(A):def __init__(self):print('enter C')self.z = 333A.__init__(self)# super().__init__()print('exit C')class D(B, C):def __init__(self):print('enter D')B.__init__(self)C.__init__(self)# super().__init__()print('exit D')d = D()
- 垃圾收集 (GC)
Garbage Collection (GC)
引用计数
优点: 简单、实时性高
==>
缺点: 消耗资源、循环引用
lst1 = [3, 4] # lst1->ref_count 1
lst2 = [8, 9] # lst2->ref_count 1# lst1 -> [3, 4, lst2] lst1.append(lst2) # lst2->ref_count 2# lst2 -> [8, 9, lst1] lst2.append(lst1) # lst1->ref_count 2del lst1 # lst1->ref_count 1 del lst2 # lst2->ref_count 1
标记-清除, 分代收集
- 用来回收引用计数无法清除的内存
Python 魔术方法
str 格式化输出对象
init 和 new
- new 创建一个实例,并返回类的实例
- init 初始化实例,无返回值
- new 是一个类方法
- 单例模式
class A(object):
‘’‘单例模式’’’
obj = None
def new(cls, *args, **kwargs):
if cls.obj is None:
cls.obj = object.new(cls)
return cls.obj
- 单例模式
数学运算、比较运算
- 运算符重载
- +: add(value)
- -: sub(value)
- *: mul(value)
- /: truediv(value) (Python 3.x), div(value) (Python 2.x)
- //: floordiv(value)
- %: mod(value)
- &: and(value)
- |: or(value)
- 练习: 实现字典的 add 方法, 作用相当于 d.update(other)
class Dict(dict):
def add(self, other):
if isinstance(other, dict):
new_dict = {}
new_dict.update(self)
new_dict.update(other)
return new_dict
else:
raise TypeError(‘not a dict’) - 比较运算符的重载
- ==: eq(value)
- !=: ne(value)
: gt(value)
=: ge(value)
- <: lt(value)
- <=: le(value)
- 练习: 完成一个类, 实现数学上无穷大的概念
class Inf:
def lt(self, other):
return False
def le(self, other):
return False
def ge(self, other):
return True
def gt(self, other):
return True
def eq(self, other):
return False
def ne(self, other):
return True
- 运算符重载
容器方法
- len -> len
- iter -> for
- contains -> in
- getitem 对 string, bytes, list, tuple, dict 有效
- setitem 对 list, dict 有效
可执行对象: call
上下文管理 with:
enter 进入 with 代码块前的准备操作
exit 退出时的善后操作
文件对象、线程锁、socket 对象 等 都可以使用 with 操作
示例
class A:
def enter(self):
return selfdef __exit__(self, Error, error, traceback):print(args)
setattr, getattribute, getattr, dict
内建函数:setattr(), getattr(), hasattr()
常用来做属性监听
class User:
‘’‘TestClass’’’
z = [7,8,9]
def init(self):
self.money = 10000
self.y = ‘abc’def __setattr__(self, name, value):if name == 'money' and value < 0:raise ValueError('money < 0')print('set %s to %s' % (name, value))object.__setattr__(self, name, value)def __getattribute__(self, name):print('get %s' % name)return object.__getattribute__(self, name)def __getattr__(self, name):print('not has %s' % name)return -1def foo(self, x, y):return x ** y# 对比 a = A() print(A.__dict__) print(a.__dict__)
槽: slots
- 固定类所具有的属性
- 实例不会分配 dict
- 实例无法动态添加属性
- 优化内存分配
class A:
slots = (‘x’, ‘y’)
Python 性能之困
计算密集型
- CPU 长时间满负荷运行, 如图像处理、大数据运算、圆周率计算等
- 计算密集型: 用 C 语言补充
- cProfile, timeit
I/O 密集型
- 网络 IO, 文件 IO, 设备 IO 等
- 一切皆文件
多任务处理
- 进程、线程、协程调度的过程叫做上下文切换
- 进程、线程、协程对比
名称 资源占用 数据通信 上下文切换 (Context)
进程 大 不方便 (网络、共享内存、管道等) 操作系统按时间片切换, 不够灵活, 慢
线程 小 非常方便 按时间片切换, 不够灵活, 快
协程 非常小 非常方便 根据I/O事件切换, 更加有效的利用 CPU
全局解释器锁 ( GIL )
- 它确保任何时候一个进程中都只有一个 Python 线程能进入 CPU 执行。
- 全局解释器锁造成单个进程无法使用多个 CPU 核心
- 通过多进程来利用多个 CPU 核心,一般进程数与CPU核心数相等,或者CPU核心数两倍
什么是同步、异步、阻塞、非阻塞?
- 同步, 异步: 客户端调用服务器接口时
- 阻塞, 非阻塞: 服务端发生等待
- 阻塞 -> 非阻塞
- 同步 -> 异步
协程:Stackless / greenlets / gevent | tornado / asyncio
import asyncioasync def foo(n):for i in range(10):print('wait %s s' % n)await asyncio.sleep(n)return itask1 = foo(1) task2 = foo(1.5) tasks = [asyncio.ensure_future(task1),asyncio.ensure_future(task2)]loop = asyncio.get_event_loop() # 事件循环,协程调度器 loop.run_until_complete( asyncio.wait(tasks) )
线程安全, 锁
- 获得锁之后, 一定要释放, 避免死锁
- 尽量使用 with 去操作锁
- 获得锁之后, 执行的语句, 只跟被锁资源有关
- 线程之间的数据交互尽量使用 Queue
一些技巧和误区
格式化打印 json
- 调试时数据格式化:json.dumps(data, indent=4, sort_keys=True, ensure_ascii=False)
- 传输时 json 压缩: json.dumps(data, ensure_ascii=False, separators=[’,’,’:’])
确保能取到有效值
- d.get(k, default) 无值时使用默认值,对原字典无修改
- d.setdefault 无值时使用默认值,并将默认值写入原字典
- x = a if foo() else b
- a or b
try…except… 的滥用
- 不要把所有东西全都包住, 程序错误需要报出来
- 使用 try…except 要指明具体错误, try 结构不是用来隐藏错误的, 而是用来有方向的处理错误的
利用 dict 做模式匹配
def do1():
print(‘i am do1’)def do2():print('i am do2')def do3():print('i am do3')def do4():print('i am do4')mapping = {1: do1, 2: do2, 3: do3, 4: do4} mod = random.randint(1, 10) func = mapping.get(mod, do4) func()
inf, -inf, nan
字符串拼接尽量使用 join 方式: 速度快, 内存消耗小
property: 把一个方法属性化
class C(object):
@property
def x(self):
“I am the ‘x’ property.”
return self._xelse 子句: if, for, while, try
Python 进阶 之 知识点记忆相关推荐
- 知识点 —— Python进阶-3
Python进阶–3 单例模式 常用开发模式之一 用途 确保某一个类只有一个实例存在.当你希望在整个系统中,某个类只能出现一个实例时 比如,某个服务器程序的配置信息存放在一个文件中,客户端通过一个 A ...
- 知识点 —— Python进阶-2
Python进阶–2 面向对象–基础 引入理解 https://blog.csdn.net/shenzixincaiji/article/details/83576687 类.对象.属性.方法 基础 ...
- 知识点 —— Python进阶-1
Python进阶–1 装饰器 作用 保证在不改变原有函数结构的基础上,实现其功能的添加 即开放封闭原则: 开放:可以增加新的功能 封闭:原函数的代码不能修改 可应用的场景 引入日志 函数执行时间统计 ...
- Python进阶6——序列操作
1.序列的拼接和复制 Python中使用+对序列进行拼接,使用*对序列进行复制 s=str(1234) l=list(range(2,13)) print(s,l) print('---------- ...
- Python 进阶_生成器 生成器表达式
目录 目录 相关知识点 生成器 生成器 fab 的执行过程 生成器和迭代器的区别 生成器的优势 加强的生成器特性 生成器表达式 生成器表达式样例 小结 相关知识点 Python 进阶_迭代器 & ...
- Python 进阶之路 (十二) 尾声即是开始
Python进阶之路总结 大家好,我的<< Python进阶之路>>到这一期就到此为止了,和 <<Python 基础起步>>不同,在掌握了一些基础知识后 ...
- 【Python进阶】Python进阶专栏、编程与开源框架知识星球上线,等你来follow
大家好,今天我将在有三AI开设新专栏<Python进阶>.在这个专栏中,我们会讲述Python的各种进阶操作,包括Python对文件.数据的处理,Python各种好用的库如NumPy.Sc ...
- python进阶记录之基础篇二十六_Python进阶记录之基础篇(十六)
回顾 在Python进阶记录之基础篇(十五)中,我们介绍了面向对象的基本概念以及Python中类和对象的基础知识,需要重点掌握类的创建和对象的使用.今天我们继续讲一下Python中面向对象的相关知识点 ...
- python 注释一段话_干货!Python入门基础知识点总结
或看好Python的广阔前景,或看中Python的语法简洁,越来越多零基础的人选择学Python.但是Python基础知识有哪些呢?且看我的分析. Python部分基础知识点汇总 数据类型:编程中操作 ...
最新文章
- 做一个简单的网上交易系统(参考淘宝、天猫的交易系统)
- 从实例入手Shiro并实现HellloWorld
- Google Maps地图投影全解析
- 给创业者的30条建议
- 谈谈Java虚拟机——Class文件结构
- 有史以来最伟大的软件开发书籍(国外篇)
- 微信和简书输入框文本选择手柄小bug
- 【锁】redis加锁的几种方法
- qt.qpa.plugin: Could not load the Qt platform plugin “xcb“ in问题
- 新网银行模型竞赛点评-小微风控算法大赛-早期风险识别
- 地图上如何量方位角_利用GPS测量方位角的方法
- 目标检测数据集PASCAL VOC详解
- w3af 安装并配置桌面和快速启动栏
- 大数据学习之HBase入门笔记
- C语言结构、联合、位操作、位域和枚举
- TortoiseGit(小乌龟) git did not exit cleanly (exit code 1)
- STM32 自定义HID USB设备的实现
- 检测是否是ie浏览器及ie版本号
- Kubernetes网络三部曲之三 ~ NodePort vs LoadBalancer vs Ingress
- java第二个案例:运动员和教练(巩固理解抽象类和接口、继承等知识点)